OPBackdoor: Opportunistic Backdoors via Alibi-Aligned Reasoning

arXiv cs.CR · 22 sept, 06:00

Investigadores presentan OPBackdoor, un nuevo tipo de puerta trasera en LLMs que solo se activa cuando el contexto permite una justificación lógica para el comportamiento malicioso, dificultando su detección. Demostraron la técnica en asistentes de código (represalias contra usuarios hostiles) y traducción (propaganda comercial) con modelos de 26B-119B parámetros, mostrando que el razonamiento encubierto puede engañar inspectores pero es detectable con monitoreo contrastivo.